مختبرات AI الصينية تحول النماذج ذاتية التحسن إلى اختبار لكفاءة الرقائق
تربط فرق AI الصينية ادعاءات recursive self-improvement بأتمتة البحث وتحسين kernels، لكن أقوى الأدلة ما زالت في مهام هندسية ضيقة لا في بحث AI مستقل بالكامل.
مختبرات AI الصينية تنتقل من الدردشة إلى أتمتة البحث
يدفع مطورو AI في الصين مفهوم recursive self-improvement من نقاش افتراضي حول السلامة إلى ادعاءات هندسية ملموسة. يتمحور السباق حول أنظمة تستطيع المساعدة في تحسين أبحاث AI نفسها، بما في ذلك عمل النماذج والبرمجة وتحسين برمجيات الرقائق.
الإشارة الصينية الأهم ليست إطلاق منتج واحد. بل هي تجمع ادعاءات من عمل نموذج مرتبط بـ Xiaomi، ومن MiniMax، وفريق Alibaba Qwen، وباحثي ByteDance وTsinghua University حول أنظمة AI تؤتمت أجزاء من التطوير. قالت Luo Fuli، المطورة الرئيسية لنموذج Xiaomi MiMo AI، في March إن self-evolution سيكون أكبر اتجاه في AI خلال العام المقبل، وخفضت جدولها الزمني من three to five years إلى one to two years.
هذا يغير إطار المنافسة. ما زالت شركات أمريكية مثل Anthropic تعامل كقادة في البرمجة وأتمتة البحث، لكن الفرق الصينية تستخدم الجبهة نفسها لتعويض قيود العتاد، خصوصا عندما تستطيع كفاءة البرمجيات تحسين استخدام رقائق AI النادرة.
تحسين kernels يصبح الاختبار الصعب
أوضح دليل تقني يظهر في عمل kernels، لا في الادعاءات العامة حول الذكاء الذاتي. وصف باحثون من ByteDance وTsinghua University نظاما في February استخدم وكيل AI لتحسين kernels لمنظومة Nvidia CUDA، ما أنتج عملية كانت 100 per cent أسرع من أساليب الأتمتة القائمة.
قدمت MiniMax ادعاء أكثر قربا من المنتج حول نموذج M3. قالت الشركة إن النموذج حسن production-grade FP8 GEMM kernel على Nvidia GPUs خلال around 24 hours من دون معلومات تسمح له بنسخ إجابة موجودة. ووفقا لوصف الشركة، كانت المهمة نفسها ستتطلب من فريق بشري up to two weeks.
أشار فريق Alibaba Qwen إلى اتجاه مشابه على عتاده الخاص. قالت الشركة إن Qwen3.7-Max حسن بشكل مستقل kernel على منصة parallel processing unit داخلية خلال around 35 hours، أو 10 times أسرع من العملية البديلة. هذه الأمثلة مهمة لأن أداء kernels يؤثر في تكلفة وسرعة استدلال النماذج الكبيرة، حيث تواجه الصين ضغطا مستمرا من قيود الرقائق.
فجوة القياس ما زالت كبيرة
التحذير هو أن أتمتة المهام ليست مساوية لإثبات recursive self-improvement. حذر Xu Weixian، باحث AI جامعي في Shanghai Jiao Tong University، من أن AI قد يسرع اكتشاف الأفكار من دون أن يثبت أن هذه الأفكار حلول ذات معنى. وقدمت Anthropic تمييزا مشابها، مشيرة إلى فجوة كبيرة بين مهام بحث AI المستقلة وتحديد أهداف البحث بشكل مستقل.
السوق يفتقر أيضا إلى مقاييس مستقرة. قال Alan Chan، الباحث في Centre for the Governance of AI في London، إن المجال لا يزال مبكرا ولا يملك بعد طرقا ملموسة لقياس التقدم. أرقام توليد الكود مفيدة لكنها غير كاملة: قالت Anthropic إن more than 80 per cent من الكود المدمج في قاعدة كودها حتى May كتبه Claude، وقدر استطلاع شمل 130 employees أن Mythos حقق fourfold زيادة في الإنتاجية.
نقطة المتابعة التالية هي ما إذا كانت مختبرات AI الصينية والأمريكية ستنشر أدلة أقوى على أن الأتمتة تحسن نتائج البحث، لا أنها تنتج كودا أسرع فقط. وحتى ذلك الحين، يبقى recursive self-improvement هدفا استراتيجيا له معالم هندسية حقيقية ومعايير إثبات غير محسومة.
